AI进入“物理世界”，不是加个工具那么简单，而是涉及生产系统的信任重建。

文｜张昊
编辑｜肖小琴

头图来源｜AI生成

在2026世界人工智能大会的展馆里，几乎找不到一家厂商在晒参数、比跑分。取而代之的，是能订酒店的手机智能体、在流水线上自主装配的机械臂，以及开始承担巡检任务的机器人。

当前，人工智能技术创新进入前所未有的活跃期，作为经济增长的新引擎和新旧动能转换的加速器，AI正从“数字世界”走向“物理世界”。行业共识也在转向“价值验证”——AI到底能否解决真问题、投资回报率是否清晰等。AI的评价标尺，已从“能说什么”切换到了“能干什么”。

这意味着AI已成为所有行业的必答题，但打通AI进工厂的“最后一公里”时，新挑战比技术难、人才缺等老问题更棘手。

第一是不可观测。制造业不同于互联网，催化剂真实活性、产品核心温度等关键变量往往无法直接测量，传感器只能把真实状态压缩成几个数值。当关键变量看不见，再聪明的模型也是“盲人摸象”。

第二是不可验证。企业无法证明AI在生产系统里保持稳定正确，工业追求确定性，这与AI的概率化输出存在差异。老师傅的手感、销售冠军的话术、设备维护的预判，这些以往难以复制的“隐性知识”，是否可以通过AI沉淀为可调用、可迭代的数字资产，还有待验证。

第三是不可执行。企业内部数据涉及财务、研发图纸、工艺参数，在与外部大模型结合时，后台如何处理数据、可能泄密等成为项目无法如期上线的真实卡点，企业会陷入“想用而不敢用”的困境。

这没有万能解药，但它们指向同一个本质问题——AI进入“物理世界”，不是加个工具那么简单，而是涉及生产系统的信任重建。

对企业来说，实现这一目标需要从三个维度同时发力。在技术层面，要推动“感知—决策—执行”的闭环落地。不能停留在单点文档处理、智能问答等浅层AI应用上，而应该让智能体端到端地嵌入业务链路，在真实场景中持续迭代优化。

在机制层面，要构建“可解释、可溯源、可追责”的信任体系。工业场景容不得“黑箱”，模型输出必须有据可查、有源可溯。同时，核心数据安全不能靠口头承诺，需要建立清晰的权责边界和技术保障。

在路径层面，要遵循“单点突破、小步快跑、逐步扩散”的务实策略。选择一两个高价值、低风险的场景先行验证，用实实在在的成效打消疑虑，再向更广的业务链路延伸。AI带来的流程重构、经验复制和商业模式延伸，只有在“看得见、信得过”之后，才能真正释放价值。

AI大潮不可逆转，但风浪越大，越考验企业家将技术语言翻译成商业价值的智慧。对企业来说，未来的护城河不在于是否拥有最先进的模型，而在于能否让AI真正理解并优化积累了数十年的“手艺”。打通进工厂的“最后一公里”，不是仅仅把AI搬进车间，而是要让AI真正融入车间，成为车间的一部分。